Guide de migration d'AutoML Vision Edge du ML Kit

Remarque : L'API AutoML Vision Edge pour l'étiquetage d'images est obsolète. Les API de modèles personnalisés (étiquetage d'images, détection d'objet et suivi d'objets) sont compatibles avec les modèles entraînés par AutoML. Ce guide de migration explique comment migrer une implémentation AutoML Vision Edge existante pour utiliser la nouvelle API de modèle personnalisé.

Vous pouvez transmettre un modèle de classification d'images entraîné avec AutoML aux API de modèles personnalisés. Vous pouvez continuer à regrouper le modèle dans votre application ou à l'héberger dans la console Firebase en tant que modèle personnalisé. L'API AutoML Image Labeling a été supprimée de ML Kit, car elle a été entièrement remplacée par l'API Custom Model Image Labeling.

API	Qu'est-ce qui change ?
API AutoML Vision Edge pour l'ajout de libellés aux images	Elle est entièrement remplacée par l'API Custom Model image labeling. L'API d'étiquetage d'images AutoML Vision Edge existante est supprimée.

Si vous utilisez l'API AutoML Vision Edge, suivez les instructions de migration pour Android et iOS.

Questions fréquentes

Pourquoi ce changement ?

Il permet de simplifier les API ML Kit et d'intégrer plus facilement ML Kit à votre application. Grâce à cette modification, vous pouvez utiliser un modèle entraîné par AutoML exactement de la même manière qu'un modèle personnalisé. En plus du libellé d'images que nous prenons en charge, il vous permet également d'utiliser des modèles entraînés par AutoML pour la détection et le suivi d'objets. De plus, l'API de modèle personnalisé est compatible avec les modèles dont la carte de libellés est intégrée dans les métadonnées, ainsi qu'avec les modèles dont les fichiers manifeste et de libellés sont distincts.

Quels sont les avantages de la migration vers le nouveau SDK ?

• Nouvelles fonctionnalités : possibilité d'utiliser des modèles entraînés par AutoML pour le libellé d'images, la détection et le suivi d'objets, et d'utiliser des modèles avec une carte de libellés intégrée dans leurs métadonnées.

Guide de migration pour Android

Étape 1 : Mettez à jour les importations Gradle

Mettez à jour les dépendances des bibliothèques Android ML Kit dans le fichier Gradle de votre module (au niveau de l'application, généralement app/build.gradle.kts) en fonction du tableau suivant :

Fonctionnalité	Anciens artefacts	Nouvel artefact
Libellisation d'images AutoML sans téléchargement de modèle distant	com.google.mlkit:image-labeling-automl:16.2.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5
AutoML d'étiquetage d'images avec téléchargement de modèles distants	com.google.mlkit:image-labeling-automl:16.2.1 com.google.mlkit:linkfirebase:16.0.1	com.google.mlkit:image-labeling-custom:16.0.0-beta5 Pour héberger et télécharger des modèles personnalisés, déplacez vos modèles vers Cloud Storage et ajoutez une logique de téléchargement dans votre application pour les charger à l'aide de LocalModel. Pour en savoir plus, consultez le [guide de migration de Firebase ML vers Cloud Storage][migrate-storage].

Étape 2 : Mettez à jour les noms de classe

Si votre cours apparaît dans ce tableau, apportez la modification indiquée :

Ancienne classe	Nouveau cours
com.google.mlkit.vision.label.automl.AutoMLImageLabelerLocalModel	com.google.mlkit.common.model.LocalModel
com.google.mlkit.vision.label.automl.AutoMLImageLabelerRemoteModel	com.google.mlkit.common.model.LocalModel Votre application doit inclure une logique permettant de télécharger les modèles hébergés à distance et de les initialiser à l'aide de LocalModel.
com.google.mlkit.vision.label.automl.AutoMLImageLabelerOptions	com.google.mlkit.vision.label.custom.CustomImageLabelerOptions

Remarque : Auparavant, avec AutoMLImageLabelerOptions, si confidenceThreshold n'était pas défini, une valeur de seuil de confiance par défaut de 0.5 était utilisée. Désormais, avec CustomImageLabelerOptions, si confidenceThreshold n'est pas défini, la valeur du seuil de confiance incluse dans les métadonnées du modèle sera utilisée, si elle est disponible. Si elle n'existe pas, la valeur 0.0 sera utilisée à la place.

Étape 3 : Mettez à jour les noms des méthodes

Les modifications de code sont minimes :

• LocalModel peut désormais être initialisé avec un chemin d'accès au modèle (si le modèle comporte des métadonnées contenant la carte des libellés) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les libellés se trouvent dans des fichiers distincts).
• Ajoutez de la logique à votre application pour télécharger les modèles hébergés à distance dans le stockage local et les charger à l'aide de LocalModel.

Voici quelques exemples d'anciennes et de nouvelles méthodes Kotlin :

Ancienne version

val localModel = AutoMLImageLabelerLocalModel.Builder()
    .setAssetFilePath("automl/manifest.json")
    // or .setAbsoluteFilePath(absolute path to manifest file)
    .build()

val optionsWithLocalModel = AutoMLImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .build()

val remoteModel = AutoMLImageLabelerRemoteModel.Builder("automl_remote_model")
    .build()

val optionsWithRemoteModel = AutoMLImageLabelerOptions.Builder(remoteModel)
    .build()

Nouveau

// Similar process for both local and remotely-hosted models (that have been downloaded)
val localModel = LocalModel.Builder()
    .setAssetManifestFilePath("automl/manifest.json")
    // or .setAbsoluteManifestFilePath(absolute path to manifest file)
    .build()

val optionsWithLocalModel = CustomImageLabelerOptions.Builder(localModel)
    .setConfidenceThreshold(0.5f)
    .build()

Voici quelques exemples d'anciennes et de nouvelles méthodes Java :

Ancienne version

AutoMLImageLabelerLocalModel localModel =
    new AutoMLImageLabelerLocalModel.Builder()
        .setAssetFilePath("automl/manifest.json")
        // or .setAbsoluteFilePath(absolute path to manifest file)
        .build();
AutoMLImageLabelerOptions optionsWithLocalModel =
    new AutoMLImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.5f)
        .build();
AutoMLImageLabelerRemoteModel remoteModel =
    new AutoMLImageLabelerRemoteModel.Builder("automl_remote_model").build();
AutoMLImageLabelerOptions optionsWithRemoteModel =
    new AutoMLImageLabelerOptions.Builder(remoteModel)
        .build();

Nouveau

// Similar process for local models and remotely-hosted models (that have been downloaded)
LocalModel localModel =
    new LocalModel.Builder()
        .setAssetManifestFilePath("automl/manifest.json")
        // or .setAbsoluteManifestFilePath(absolute path to manifest file)
        .build();
CustomImageLabelerOptions optionsWithLocalModel =
    new CustomImageLabelerOptions.Builder(localModel)
        .setConfidenceThreshold(0.5f)
        .build();

Guide de migration pour iOS

Prérequis

• Xcode 13.2.1 ou version ultérieure est requis.

Étape 1 : Mettez à jour Cocoapods

Mettez à jour les dépendances des CocoaPods ML Kit iOS dans le Podfile de votre application :

Fonctionnalité	Ancien nom du ou des pods	Noms des nouveaux pods
Libellisation d'images AutoML sans téléchargement de modèle distant	GoogleMLKit/ImageLabelingAutoML	GoogleMLKit/ImageLabelingCustom
AutoML d'étiquetage d'images avec téléchargement de modèles distants	GoogleMLKit/ImageLabelingAutoML GoogleMLKit/LinkFirebase	GoogleMLKit/ImageLabelingCustom Pour héberger et télécharger des modèles personnalisés, déplacez vos modèles vers Cloud Storage et ajoutez une logique de téléchargement dans votre application pour les charger en tant que modèles locaux. Pour en savoir plus, consultez le [guide de migration de Firebase ML vers Cloud Storage][migrate-storage].

Étape 2 : Mettez à jour les noms de classe

Si votre cours apparaît dans ce tableau, apportez la modification indiquée :

Swift

Ancienne classe	Nouveau cours
AutoMLImageLabelerLocalModel	LocalModel
AutoMLImageLabelerRemoteModel	LocalModel Pour héberger et télécharger des modèles personnalisés, déplacez vos modèles vers Cloud Storage et ajoutez une logique de téléchargement dans votre application pour les charger en tant que modèles locaux. Pour en savoir plus, consultez le [guide de migration de Firebase ML vers Cloud Storage][migrate-storage].
AutoMLImageLabelerOptions	CustomImageLabelerOptions

Objective-C

Ancienne classe	Nouveau cours
MLKAutoMLImageLabelerLocalModel	MLKLocalModel
MLKAutoMLImageLabelerRemoteModel	MLKLocalModel Pour héberger et télécharger des modèles personnalisés, déplacez vos modèles vers Cloud Storage et ajoutez une logique de téléchargement dans votre application pour les charger en tant que modèles locaux. Pour en savoir plus, consultez le [guide de migration de Firebase ML vers Cloud Storage][migrate-storage].
MLKAutoMLImageLabelerOptions	MLKCustomImageLabelerOptions

Remarque : Auparavant, avec AutoMLImageLabelerOptions, si confidenceThreshold n'était pas défini, une valeur de seuil de confiance par défaut de 0.5 était utilisée. Désormais, avec CustomImageLabelerOptions, si confidenceThreshold n'est pas défini, la valeur du seuil de confiance incluse dans les métadonnées du modèle sera utilisée, si elle est disponible. Si elle n'existe pas, la valeur 0.0 sera utilisée à la place.

Étape 3 : Mettez à jour les noms des méthodes

Les modifications de code sont minimes :

• LocalModel peut désormais être initialisé avec un chemin d'accès au modèle (si le modèle comporte des métadonnées contenant la carte des libellés) ou un chemin d'accès au fichier manifeste du modèle (si le fichier manifeste, le modèle et les libellés se trouvent dans des fichiers distincts).
• Ajoutez de la logique à votre application pour télécharger les modèles hébergés à distance dans le stockage local et les charger à l'aide de LocalModel.

Voici quelques exemples d'anciennes et de nouvelles méthodes Swift :

Ancienne version

let localModel =
    AutoMLImageLabelerLocalModel(manifestPath: "automl/manifest.json")
let optionsWithLocalModel = AutoMLImageLabelerOptions(localModel: localModel)
let remoteModel = AutoMLImageLabelerRemoteModel(name: "automl_remote_model")
let optionsWithRemoteModel = AutoMLImageLabelerOptions(remoteModel: remoteModel)

Nouveau

// Similar process for local models and remotely-hosted models (that have been downloaded)
guard let localModel = LocalModel(manifestPath: "automl/manifest.json") else { return }
let optionsWithLocalModel = CustomImageLabelerOptions(localModel: localModel)

Voici quelques exemples d'anciennes et de nouvelles méthodes Objective-C :

Ancienne version

MLKAutoMLImageLabelerLocalModel *localModel =
    [[MLKAutoMLImageLabelerLocalModel alloc]
        initWithManifestPath:"automl/manifest.json"];
MLKAutoMLImageLabelerOptions *optionsWithLocalModel =
    [[MLKAutoMLImageLabelerOptions alloc] initWithLocalModel:localModel];
MLKAutoMLImageLabelerRemoteModel *remoteModel =
    [[MLKAutoMLImageLabelerRemoteModel alloc]
        initWithManifestPath:"automl/manifest.json"];
MLKAutoMLImageLabelerOptions *optionsWithRemoteModel =
    [[MLKAutoMLImageLabelerOptions alloc] initWithRemoteModel:remoteModel];

Nouveau

// Similar process for local models and remotely-hosted models (that have been downloaded)
MLKLocalModel *localModel =
    [[MLKLocalModel alloc] initWithManifestPath:"automl/manifest.json"];
MLKCustomImageLabelerOptions *optionsWithLocalModel =
    [[MLKCustomImageLabelerOptions alloc] initWithLocalModel:localModel];